Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning

Descripción del Articulo

El estudio tuvo como objetivo desarrollar un método basado en imágenes RGB y aprendizaje automático para identificar zonas infectadas por la plaga Sogata en cultivos de arroz, una amenaza significativa para la producción agrícola. Para ello, se recopiló 1500 imágenes de cultivos afectados y no afect...

Descripción completa

Detalles Bibliográficos
Autor: Rivera Cartagena, Angig Gianella
Formato: tesis de grado
Fecha de Publicación:2025
Institución:Universidad Señor de Sipan
Repositorio:USS-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.uss.edu.pe:20.500.12802/16481
Enlace del recurso:https://hdl.handle.net/20.500.12802/16481
Nivel de acceso:acceso abierto
Materia:Sogata
Aprendizaje automático
Imágenes RGB
Arroz
Detección de plagas
https://purl.org/pe-repo/ocde/ford#2.02.04
id USSS_26aa2c2f3e826fbbbfcef4a789f5fe19
oai_identifier_str oai:repositorio.uss.edu.pe:20.500.12802/16481
network_acronym_str USSS
network_name_str USS-Institucional
repository_id_str 4829
dc.title.es_PE.fl_str_mv Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
title Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
spellingShingle Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
Rivera Cartagena, Angig Gianella
Sogata
Aprendizaje automático
Imágenes RGB
Arroz
Detección de plagas
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
title_full Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
title_fullStr Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
title_full_unstemmed Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
title_sort Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
author Rivera Cartagena, Angig Gianella
author_facet Rivera Cartagena, Angig Gianella
author_role author
dc.contributor.advisor.fl_str_mv Mejia Cabrera, Heber Ivan
dc.contributor.author.fl_str_mv Rivera Cartagena, Angig Gianella
dc.subject.es_PE.fl_str_mv Sogata
Aprendizaje automático
Imágenes RGB
Arroz
Detección de plagas
topic Sogata
Aprendizaje automático
Imágenes RGB
Arroz
Detección de plagas
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description El estudio tuvo como objetivo desarrollar un método basado en imágenes RGB y aprendizaje automático para identificar zonas infectadas por la plaga Sogata en cultivos de arroz, una amenaza significativa para la producción agrícola. Para ello, se recopiló 1500 imágenes de cultivos afectados y no afectados de la región Lambayeque y Pacanguilla, con ayuda de un dron equipo con cámara RGB de alta resolución. Los datos fueron pre procesados mediante técnicas avanzadas para optimizar su calidad y se entrenaron modelos de clasificación, incluyendo como Visual Geometry Group 16 (VGG16) y redes neuronales residuales 50 (ResNet50). El modelo VGG16 mostró el mejor desempeño, alcanzando una precisión del 98.274%, gracias a su capacidad para extraer características visuales complejas y diferenciarlas de manera eficiente. La metodología permitió identificar patrones específicos asociados con infestaciones, lo que asegura un diagnóstico temprano y confiable. Como resultado, se desarrolló una aplicación intuitiva que facilita a los agricultores detectar áreas afectadas por la plaga, permitiendo tomar decisiones oportunas para su manejo y control. Este enfoque ofrece una herramienta accesible y eficiente, minimizando el impacto económico de las infestaciones y promoviendo prácticas agrícolas sostenibles. Los resultados obtenidos subrayan el potencial del aprendizaje automático en la mejora de sistemas agrícolas, contribuyendo a la resiliencia y sostenibilidad en la producción del arroz.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-11-18T16:54:57Z
dc.date.available.none.fl_str_mv 2025-11-18T16:54:57Z
dc.date.issued.fl_str_mv 2025
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12802/16481
url https://hdl.handle.net/20.500.12802/16481
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Señor de Sipán
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Repositorio Institucional - USS
Repositorio Institucional USS
dc.source.none.fl_str_mv reponame:USS-Institucional
instname:Universidad Señor de Sipan
instacron:USS
instname_str Universidad Señor de Sipan
instacron_str USS
institution USS
reponame_str USS-Institucional
collection USS-Institucional
bitstream.url.fl_str_mv https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/6/Rivera%20Cartagena%20Angig%20Gianella.pdf.txt
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/8/Autorizaci%c3%b3n%20del%20autor.pdf.txt
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/10/Informe%20de%20similitud.pdf.txt
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/7/Rivera%20Cartagena%20Angig%20Gianella.pdf.jpg
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/9/Autorizaci%c3%b3n%20del%20autor.pdf.jpg
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/11/Informe%20de%20similitud.pdf.jpg
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/1/Rivera%20Cartagena%20Angig%20Gianella.pdf
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/2/Autorizaci%c3%b3n%20del%20autor.pdf
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/3/Informe%20de%20similitud.pdf
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/4/license_rdf
https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/5/license.txt
bitstream.checksum.fl_str_mv d628b5f4fc7467b1dd919cf4d1ef6611
5f8ca3012aaab4ac2a2a7e1d90f6877d
70c06d05a886e47e49eb1ed4c658c4fc
ea414458c9276ec21bb3f75988a4c0f7
67e6d8986c9545fc872b7364ebca5a03
949eb657be49e0fa5ec3dc665761773b
726a4a6477d8e594b487dde570d6c881
92408eb774184d02866225ca6606884e
3a5bed210ae8334b78390a864a7ca96f
3655808e5dd46167956d6870b0f43800
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional de la Universidad Señor de Sipán
repository.mail.fl_str_mv repositorio@uss.edu.pe
_version_ 1850323251209699328
spelling Mejia Cabrera, Heber IvanRivera Cartagena, Angig Gianella2025-11-18T16:54:57Z2025-11-18T16:54:57Z2025https://hdl.handle.net/20.500.12802/16481El estudio tuvo como objetivo desarrollar un método basado en imágenes RGB y aprendizaje automático para identificar zonas infectadas por la plaga Sogata en cultivos de arroz, una amenaza significativa para la producción agrícola. Para ello, se recopiló 1500 imágenes de cultivos afectados y no afectados de la región Lambayeque y Pacanguilla, con ayuda de un dron equipo con cámara RGB de alta resolución. Los datos fueron pre procesados mediante técnicas avanzadas para optimizar su calidad y se entrenaron modelos de clasificación, incluyendo como Visual Geometry Group 16 (VGG16) y redes neuronales residuales 50 (ResNet50). El modelo VGG16 mostró el mejor desempeño, alcanzando una precisión del 98.274%, gracias a su capacidad para extraer características visuales complejas y diferenciarlas de manera eficiente. La metodología permitió identificar patrones específicos asociados con infestaciones, lo que asegura un diagnóstico temprano y confiable. Como resultado, se desarrolló una aplicación intuitiva que facilita a los agricultores detectar áreas afectadas por la plaga, permitiendo tomar decisiones oportunas para su manejo y control. Este enfoque ofrece una herramienta accesible y eficiente, minimizando el impacto económico de las infestaciones y promoviendo prácticas agrícolas sostenibles. Los resultados obtenidos subrayan el potencial del aprendizaje automático en la mejora de sistemas agrícolas, contribuyendo a la resiliencia y sostenibilidad en la producción del arroz.TesisCiencias de la información como herramientas multidisciplinares y estratégicas en el contexto industrial y de organizacionesInformática y transformación digital en el contexto industrial y organizacional.application/pdfspaUniversidad Señor de SipánPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/Repositorio Institucional - USSRepositorio Institucional USSreponame:USS-Institucionalinstname:Universidad Señor de Sipaninstacron:USSSogataAprendizaje automáticoImágenes RGBArrozDetección de plagashttps://purl.org/pe-repo/ocde/ford#2.02.04Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learninginfo:eu-repo/semantics/bachelorThesisSUNEDUUniversidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y UrbanismoIngeniero de SistemasIngeniería de Sistemas41639565https://orcid.org/0000-0002-0007-092872714229612076Tuesta Monteza, Victor AlexciMuro Nuñez, Efrain AlejandroMejia Cabrera, Heber Ivanhttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#tesisTEXTRivera Cartagena Angig Gianella.pdf.txtRivera Cartagena Angig Gianella.pdf.txtExtracted texttext/plain173915https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/6/Rivera%20Cartagena%20Angig%20Gianella.pdf.txtd628b5f4fc7467b1dd919cf4d1ef6611MD56Autorización del autor.pdf.txtAutorización del autor.pdf.txtExtracted texttext/plain2139https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/8/Autorizaci%c3%b3n%20del%20autor.pdf.txt5f8ca3012aaab4ac2a2a7e1d90f6877dMD58Informe de similitud.pdf.txtInforme de similitud.pdf.txtExtracted texttext/plain144087https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/10/Informe%20de%20similitud.pdf.txt70c06d05a886e47e49eb1ed4c658c4fcMD510THUMBNAILRivera Cartagena Angig Gianella.pdf.jpgRivera Cartagena Angig Gianella.pdf.jpgGenerated Thumbnailimage/jpeg8898https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/7/Rivera%20Cartagena%20Angig%20Gianella.pdf.jpgea414458c9276ec21bb3f75988a4c0f7MD57Autorización del autor.pdf.jpgAutorización del autor.pdf.jpgGenerated Thumbnailimage/jpeg9388https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/9/Autorizaci%c3%b3n%20del%20autor.pdf.jpg67e6d8986c9545fc872b7364ebca5a03MD59Informe de similitud.pdf.jpgInforme de similitud.pdf.jpgGenerated Thumbnailimage/jpeg5944https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/11/Informe%20de%20similitud.pdf.jpg949eb657be49e0fa5ec3dc665761773bMD511ORIGINALRivera Cartagena Angig Gianella.pdfRivera Cartagena Angig Gianella.pdfapplication/pdf3479250https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/1/Rivera%20Cartagena%20Angig%20Gianella.pdf726a4a6477d8e594b487dde570d6c881MD51Autorización del autor.pdfAutorización del autor.pdfapplication/pdf128397https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/2/Autorizaci%c3%b3n%20del%20autor.pdf92408eb774184d02866225ca6606884eMD52Informe de similitud.pdfInforme de similitud.pdfapplication/pdf2526915https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/3/Informe%20de%20similitud.pdf3a5bed210ae8334b78390a864a7ca96fMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/4/license_rdf3655808e5dd46167956d6870b0f43800MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.uss.edu.pe/bitstream/20.500.12802/16481/5/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5520.500.12802/16481oai:repositorio.uss.edu.pe:20.500.12802/164812025-11-19 03:05:20.422Repositorio Institucional de la Universidad Señor de Sipánrepositorio@uss.edu.peTk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo=
score 13.957005
Detección de zonas infectadas en cultivos de arroz utilizando imágenes RGB y Machine Learning
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares